Lernkartei Statistik (Seite 6 von 10)

Karten	387
Sprache	Deutsch
Kategorie	Psychologie
Stufe	Universität
Erstellt / Aktualisiert	08.07.2023 / 20.07.2023
Weblink	https://card2brain.ch/box/20230708_methoden_statistik
Einbinden	<iframe src="https://card2brain.ch/box/20230708_methoden_statistik/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Zähle die sechs Schritte der Faktorenanalyse auf.

Variablenauswahl + Errechnung der Korrelationsmatrix

Faktorenextraktion

Bestimmung der Kommunalitäten

Zahl der Faktoren

Faktorinterpretation

Bestimmung der Faktorwerte

Welche Voraussetzung für die Daten der Faktorenanalyse ist falsch oder nicht relevant?

Mindestens Ordinalskalenniveau bei den Daten

Zuverlässigkeit bzw. Reliabilität der Ausgangsdaten

Relevanz der erhobenen Merkmale/Variablen für den Untersuchungsgegenstand

Homogenität der Stichprobe, Normalverteilung

Unabhängigkeit der Beurteilungen

Was trifft auf die Datenmatrix und Korrelationsmatrix nicht zu?

Ziel der Datenmatrix ist die Gruppierung der Merkmale/Variablen.

Zusammenhänge zwischen Variablen zeigen sich in der Korrelationsmatrix.

Prüfkriterien basieren auf der Datenmatrix.

Güte der Daten und der Korrelationsmatrix beeinflusst das Ergebnis der FA.

Was trifft auf die Prüfkriterien bei der Faktorenanalyse zu?

Prüfkriterien prüfen die Eignung der Personen/Objekte für die FA.

I.d.R. genügt es, sich ein Prüfkriterium anzuschauen.

Prüfkriterien werden aus der Korrelationsmatrix abgleitet.

Zu den Prüfkriterien gehören der Korrelationskoeffizient, der Levene-Test und der Bartlett-Test.

Was trifft auf den Korrelationskoeffizienten nicht zu?

Er hat folgenden Wertebereich: [-1 ; 1]

Es sollten nicht nur kleine Korrelationen (r < .2) enthalten sein.

Es sollten möglichst viele große Korrelationen (> .8 oder .9) enthalten sein.

Wenn zu viele zu kleine/zu große Korrelationen gegeben, müssen Variablen eliminiert werden.

Was trifft auf den Bartlett-Test auf Sphärizität nicht zu?

Nullhypothese: SP stammt aus einer Grundgesamtheit, in der die Variablen unkorreliert sind.

Voraussetzung ist eine Gleichverteilung der Variablen in der Stichprobe.

Nullhypothese: Korrelationsmatrix weicht nur zufällig von Einheits-/Identitätsmatrix ab.

Gewünscht sind bei der Prüfgröße p-Werte, die kleiner als .05 sind.

Was trifft auf das Kaiser-Meyer-Olkin-Kriterium (KMO) nicht zu?

Wertebereich ist [0 ; 1] und dabei gilt: Je näher an 0, desto besser.

Kriterium zeigt an, in welchem Umfang die Ausgangsvariablen Varianz teilen.

Bestes Verfahren zur Eignungsprüfung einer Korrelationsmatrix für eine FA.

Es gilt: KMO ≥ .7 - ziemlich gut, ≥ .6 – mittelmäßig, ≥ .5 – kläglich, < .5 – untragbar.

Was trifft nicht auf das Fundamentaltheorem, das der FA zugrunde liegt, zu?

Es handelt sich um ein additives Modell.

Beobachtete Werte lassen sich als Linearkombination zugrundliegender Faktoren beschreiben.

Faktorwerte lassen sich als Linearkombination der Variablenausprägungen beschreiben.

Wichtige Bestandteile des Theorems sind die Faktorwerte und Faktorgewichte.

Was trifft auf Faktorladungen und Faktorwerte zu?

Faktorladung ist die Ausprägung eines Faktors bei einem Objekt/einer Person.

Faktorwert ist die Korrelation zwischen Faktor und (Ausgangs-)Variable.

Faktorladung und Faktorwert beschreiben im Modell die Gewichtungen.

Faktorgewicht ist die Ausprägung eines Faktors bei einem Objekt/einer Person.

Was trifft auf die graphische Darstellung von Korrelationen als Vektoren nicht zu?

Korrelationskoeffizient entspricht dem Winkel zwischen zwei Variablenvektoren.

Korrelation entspricht dem Cosinus des Winkels zweier Vektoren.

Der Faktor entspricht der Resultante der Variablenvektoren.

Variablenvektoren haben eine standardisierte Länge von 1,5.

Was trifft auf die graphische Darstellung von Korrelationen als Vektoren nicht zu?

Eine Korrelation von -1 entspricht einem Winkel von 180°.

Wenn zwei Winkel orthogonal sind, haben sie eine Korrelation von 0.

Eine Korrelation von 0.5 bedeutet, dass die Vektoren entgegengesetzt sind.

Ein Winkel von 0° bedeutet, dass es eine Abhängigkeit/Korrelation gibt.

Wie heißen die zwei Verfahren zur Faktorenextraktion?

Hauptkomponentenanalyse/Principal Component Analysis

Fakotrenanalye, Hauptachsenanalyse, Principal Axis Factoring

Was trifft auf die Hauptkomponentenanalyse (Principal Component Analysis) nicht zu?

Ziel ist die Erklärung der Varianz in den Variablen durch hypothetische Größen.

Keine Kausale Interpretation der Faktoren, keine Generalisierung von Befunden.

Man nimmt an, dass die gesamte Varianz der Variablen von den Faktoren erklärt werden kann.

Man möchte die Datenstruktur durch möglichst weniger Faktoren reproduzieren.

Was trifft auf die Faktorenanalyse/Hauptachsenanalyse (Principal Axis Factoring) nicht zu?

Man möchte die Ausgangsvariablen durch latente Variablen (Faktoren) erklären.

Ziel ist nicht die umfassende Reproduktion der Datenstruktur durch möglichst wenige Faktoren.

Keine Kausale Interpretation der Faktoren, keine Generalisierung auf Grundgesamtheit.

Man nimmt an, dass nicht die gesamte Varianz durch die Faktoren erklärt wird.

Welche Aussage zur Kommunalität ist richtig?

Kommunalität ist eine Eigenschaft des Faktors.

Kommunalität hat einen Wertebereich von -1 bis 1.

Kommunalität ist der Umfang an Varianzaufklärung, den die Faktoren gemeinsam für eine Ausgangsvariable liefern.

Kommunalität ist die Summe der quadrierten Ladungen eines Faktors über alle Variablen.

Welche Aussage zur Kommunalität ist richtig?

Summe der quadrierten Faktorladungen einer Variablen über alle Faktoren.

Die gesamte Varianz der Variablen ist allein durch die Faktoren bedingt.

Kommunalität ist der Kehrwert vom Eigenwert.

Die Kommunalitäten-Schätzung verläuft für alle Verfahren gleich.

Welche Aussage zur Kommunalitäten-Schätzung ist falsch?

Bei der Hauptkomponentenanalyse werden Kommunalitäten auf 1 geschätzt

Bei der PCA geht man davon aus, dass es keine spezifische Varianz gibt

Bei der Faktorenanalyse werden Kommunalitäten auf < 1 geschätzt.

Bei der Hauptachsenanalyse geht man davon aus, dass es keine Fehlervarianz gibt.

Was ist kein Kennwert für die Faktorlösung?

Eigenwert

Faktorwert

Kommunalität

Faktorladung

Was trifft auf den Eigenwert nicht zu?

Korrelation zwischen einer Variablen und einem Faktor.

Summe der quadrierten Faktorladungen eines Faktors über alle Variablen.

Durch den Faktor erklärte Varianz der Beobachtungswerte.

Sollte größer als 1 sein, sonst erklärt Faktor gerade so viel wie eine Ausgangsvariable.

Wie berechnet man den Eigenwert eines Faktors?

Summe der quadrierten Faktorwerte

Summe der quadrierten Faktorwertkoeffizienten

Summe der quadrierten Ladungen aller Variablen auf dem Faktor

Summe der Korrelationen der Ausgangsvariablen durch Summe der Partialkorrelationen

Summe des Arcuscosinus der Ladungen

Was trifft auf die Faktorladung zu?

Kumulierte Varianz einer Variablen.

Korrelation zwischen einer Variablen und einem Faktor.

Zeigt auf, wie gut eine Variable von allen Faktoren repräsentiert wird.

Sollte größer als 1 sein, sonst erklärt Variable gerade so viel wie ein Faktor.

Was ist kein Verfahren zur Bestimmung der Faktorenanzahl?

KMO-Kriterium

Kaiser-Kriterium

Scree-Kriterium

Parallelanalyse nach Horn

Was wird beim Kaiser-Kriterium extrahiert?

Faktoren mit Eigenwert < 1

Faktoren mit Faktorladung > 1

Faktoren mit Eigenwert > 1

Faktoren mit Kommunalität < 1

Was trifft auf das Scree-Kriterium zu?

Beim Scree-Plot werden die Faktoren nach Eigenwert aufsteigend sortiert.

Ein Knick entsteht dort, wo die Differenz zweier Eigenwerte am kleinsten ist.

Der Faktor links vom Knick ist der letzte, der noch extrahiert wird.

Es kann immer nur einen Knick beim Scree-Plot geben.

Welche der Aussagen zur Bestimmung der Zahl der beizubehaltenden Faktoren ist falsch?

Der Scree-Test ist ein graphisches Verfahren

Scree-Test und Kaiser-Kriterium basieren beide auf den Eigenwerten der Faktoren

Beim Scree-Test kann die Anzahl der Faktoren die der Ausgangsvariablen übersteigen

Die Anzahl der Ausgangsvariablen hat keinen Einfluss auf den Wert des Kaiser-Kriteriums

Die Einfachstruktur ist eine erwünschte Eigenschaft welcher Matrix?

Faktorladungsmatrix

Korrelationsmatrix

Faktormatrix

Datenmatrix

Was trifft auf die Einfachstruktur nicht zu?

(Ausgangs)Variablen laden nur auf einen Faktor hoch, auf alle anderen niedrig.

Einfachstruktur wird bevorzugt, weil so die Interpretation einfacher ist.

Wenn keine Einfachstruktur gegeben ist kann eine Rotation durchgeführt werden.

Bei der Rotation muss beachtet werden, dass die Ladungen nicht verschoben werden.

Was trifft auf die zwei Arten der Faktorenrotation nicht zu?

Bei der orthogonalen Rotation wird angenommen, dass die Faktoren unabhängig sind.

Bei der schiefwinkligen Rotation wird angenommen, dass Faktoren miteinander korreliert sind.

Beispiele für die oblique Rotation sind Oblimin, Promax und Equamax.

Beispiele für die rechtwinklige Rotation sind Varimax und Quartimax.

Varimax ist eine Wortkombination aus Varianz und Maximierung. Welche Varianz wird hier maximiert?

Varianz der quadrierten Faktorladungen auf allen Variablen

Varianz der kumulierten Eigenwerte aller Variablen

Varianz der quadrierten Ladungen aller Variablen auf einen Faktor

Varianz der quadrierten Faktorladungen innerhalb der Faktoren

Welche Matrix verwendet man bei welcher Rotation? 2 richtige Antworten

Orthogonale Rotation – rotierte Faktormatrix

Oblique Rotation – Mustermatrix

Orthogonale Rotation – Mustermatrix

Oblique Rotation – rotierte Faktormatrix

Was trifft auf das Eliminieren von Faktoren nicht zu?

Variable wird eliminiert, wenn sie auf keinem Faktor über .2 oder .3 lädt.

Variable wird eliminiert, wenn sie auf mehreren Faktoren ähnlich hohe Ladungen besitzt.

Nach dem Eliminieren muss eine neue (konfirmatorische) FA gerechnet werden.

Variable wird eliminiert, wenn sie auf einem Faktor über .99 lädt.

Was trifft auf den Faktorwert nicht zu?

Faktorwert ist die Ausprägung eines Faktors bei einer Person oder einem Objekt.

Es handelt sich um standardisierte Werte mit M = 0 und SD = 1.

Fälle sollen immer im Verhältnis zueinander interpretiert werden.

es handelt sich um eine multiplikative Kombination der z-standardisierten Ausgangswerte und der Ladung der Ausgangsvariablen auf den jeweiligen Faktoren.

Was ist keine Möglichkeit zur Validierung der Lösung der Faktorenanalyse?

Konfirmatorische Faktorenanalyse

Weitere explorative Faktorenanalyse

Reliabilitätsanalyse: Prüfung der Retest-Reliabilität

Auswahl weiterer, bezogen auf die Faktoren typischer Personen/Objekte

Was ist keine Voraussetzung bei der logistischen Regression?

Skalenniveau der Prädiktoren soll mindesten kategorial sein.

Skalenniveau des Kriteriums ist kategorial, also nominal oder ordinal.

Es soll keine Multikollinearität geben.

alle relevanten Prädiktoren sollten im Modell enthalten sein

Was trifft auf die Multikollinearität nicht zu?

Multikollinearität beschreibt die Korrelation der Prädiktoren.

Bei der logistischen Regression sollte sie möglichst nicht gegeben sein.

Geteilte Varianz R2 sollte möglichst hoch sein.

Toleranz, also 1 – R2, sollte mindestens größer als .1 sein.

Was trifft auf die Fallzahl und Prädiktoren nicht zu?

Pro Ausprägung mindestens 25 Beobachtungen.

Aussagenkräftige Schätzungen ab 50 Beobachtungen pro Gruppe.

Aussagekraft steigt mit Anzahl der Prädiktoren.

Alle relevanten Prädiktoren sollten im Modell enthalten sein.

Welche Voraussetzung muss bei der logistischen Regression erfüllt sein?

Normalverteilung der Residuen

Varianzhomogenität der Variablen

Metrisches Skalenniveau der Prädiktoren

Keine Multikollinearität

Was der Vorteil der logistischen Regression?

Wenige statistische Voraussetzungen

Beliebiges Skalenniveau des Kriteriums

Funktioniert auch sehr gut, wenn nicht alle relevanten Prädiktoren im Modell enthalten sind

Als Ergebnis erhält man einen empirischen Beobachtungswert

Was trifft auf den logistischen Regressionsansatz nicht zu?

Wahrscheinlichkeit im dichotomen logistischen Fall wird so kategorisiert: Ja: y = 1 und Nein: y = 0

Esgilt:p(y=1)+p(y=0)=1

Jede Person erhält einen Wert zwischen 0 und 1

Jede Person wird einer Kategorie zugeordnet, also entweder y = 1 oder y = 0

Was trifft auf die Unterscheidung der linearen und logistischen Regression nicht zu?

Ergebnis der logistischen Regression ist die Eintrittswahrscheinlichkeit des empirischen Beobachtungswerts.

Beide sagen das Kriterium auf Basis der Prädiktoren vorher.

Grundlage der linearen Regression ist die logistische Regression.

Ergebnis der linearen Regression ist ein empirischer Beobachtungswert.

Statistik

Lernkarteien erstellen oder kopieren

Lernkarteien erstellen oder kopieren

Melde dich an, um alle Karten zu sehen.

SWITCHaai

Office 365

Edulog

Apple ID

Google